使用 LandTrendr 分析变化 (影像分析工具)

汇总

使用基于 Landsat 的干扰和恢复趋势检测 (LandTrendr) 方法评估像素值随时间的变化，并生成包含模型结果的变化分析栅格。

用法

LandTrendr 算法是一种识别像素值随时间变化的方法。它是针对多波段 Landsat 影像的时间序列开发的，用于检测变化以及对在变化发生之前和之后的土地覆盖进行分类。本工具可配合受支持传感器的影像使用，也可用于检测单波段栅格的变化。例如，可以使用本工具检测 NDVI 栅格时间序列的变化，从而识别森林砍伐事件。
LandTrendr 算法使用单一光谱波段或光谱指数中的像素值信息来提取每个像素随时间变化的时间序列轨线。然后对轨迹进行分割，以捕捉并建模无变化、变化以及变化后恢复的时期。
此工具的输出是变化分析栅格中的模型信息，其中每个像素都将存储一组模型信息，用于描述该像素随时间变化的历史记录。变化分析栅格是多维栅格，其中每个剖切片是一个多波段栅格，由模型系数、均方根误差 (RMSE) 和观测的变化组成。可将其用作使用变化分析栅格检测变化工具的输入，该工具会生成一个包含每个像素变化信息的栅格。

分析中的每一年对应一个剖切片。
This tool extracts changes in an observed feature, so the ideal input multidimensional imagery should capture a consistent observation throughout time and should not include atmospheric or sensor interference, clouds, or cloud shadow. The best practice is to use data that has been normalized and can be masked using a QA band—例如，包含云掩膜的 Landsat Collection 1 表面反射率产品。
该工具每年分析一幅影像，因此，每年的剖切片数量必须等于或大于最小观测值个数参数中指定的值。建议您至少拥有六年的数据。

如果您拥有每月、每周或每天的数据，建议从每年中选择若干影像（最好来自同一季节），去除云和云阴影，然后将这些影像合成为一张能够良好代表该年度观测值的单一影像。如果提供每月、每周或每天的数据作为输入多维栅格，则该工具将根据最接近捕捉日期参数中日期的日期，识别一个剖切片进行分析。
景观中的要素通常需要花费一些时间才能从非永久性变化（例如森林火灾或遭受病虫害）中恢复。要控制模型识别的恢复速率，需要设置恢复阈值参数。一个独立段的恢复速率不能快于 1/恢复阈值。
从景观变化中恢复可以出现在正向或负向。例如，当景观遭受森林破坏时，植被指数值的时间序列将显示指数值下降；而恢复将显示植被指数值逐渐上升，或者呈现正的恢复趋势。可以使用恢复具有上升趋势参数来指定恢复趋势的方向。
要探索输出变化分析栅格中计算出的变化，请创建时间剖面图。使用拟合值波段或斜率波段为变化分析栅格中的不同位置生成图表，以查看发生变化的区域。可以将指针悬停在图表中的点上，以识别变化发生的日期。
本工具运行时间可能较长，且需要大量磁盘空间来存储结果。为了缩短处理时间并减少存储空间占用，建议采取以下步骤：
- 关闭金字塔环境。取消选中环境窗格中的构建金字塔复选框或在 Python 中将环境设置为 NONE。
- 将压缩环境设置为 LERC 并将最大误差设置为 0.000001。
- 如果您预计将多次对本工具的输出运行使用变化分析栅格检测变化工具，请对结果构建多维转置。
该工具将生成云栅格格式 (CRF) 的多维栅格数据集。目前，尚不支持其他输出格式。

标注	说明	数据类型
输入多维栅格	输入多维栅格数据集。	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; File
处理波段名称（可选）	用于随时间分割像素值轨线的图像波段名称。请选择最能捕获您要观测的要素变化的波段名称。如果未指定波段值且输入为多波段影像，则将使用多波段影像中的首个波段。	String
捕捉日期（可选）	用于在输入多维数据集中针对每年识别一个剖切片的日期。将使用日期最接近捕捉日期的剖切片。如果输入数据集包含次年数据，则此参数为必填项。默认值为 06-30 或 June 30，大约是某一日历年的年中。	String
最大分段数（可选）	每个像素拟合时间序列时的最大分段数。默认值为 5。	Long
折点数过伸阈值（可选）	在识别折点的初始阶段，可用于拟合模型的额外折点数量超出最大段数 + 1。在建模过程的后期，额外折点数将减少至最大分段数 + 1。默认值为 2。	Long
峰值阈值（可选）	用于抑制像素值轨迹中的峰值或异常值的阈值。该值必须介于 0 到 1 之间，其中 1 表示不进行任何抑制。默认值为 0.9。	Double
恢复阈值（可选）	恢复阈值，以年为单位。如果某段的恢复速率快于 `1/recovery threshold`，则该段将被丢弃，不纳入时间序列模型。该值必须介于 0 到 1 之间。默认值为 0.25。	Double
防止一年恢复（可选）	指定是否排除表现出一年恢复的段。选中—将排除表现出一年恢复的段。这是默认设置。未选中—将不排除表现出一年恢复的段。	Boolean
恢复具有上升趋势（可选）	指定恢复是否呈上升（正向）趋势。选中—恢复呈上升趋势。这是默认设置。未选中—恢复呈下降趋势。	Boolean
最小观测值个数（可选）	执行拟合所需的最低有效观测值数量。输入多维数据集中的年数必须等于或大于该值。默认值为 6。	Long
最佳模型比例（可选）	最佳模型比例值。在模型选择过程中，该工具将计算每个模型的 p 值，并根据此比例值识别具有最多折点和最小（最显著）p 值的模型。值为 1 表示模型将具有最小的 p 值，但可能不具有大量的折点。默认值为 1.25。	Double
P 值阈值	用于选择模型的 p 值阈值。在模型拟合的初始阶段检测到折点之后，该工具将拟合每个段并计算 p 值以确定模型的重要性。在下一次迭代中，模型会将段数减少一个并重新计算 p 值。此过程将持续进行，如果 p 值小于本参数中指定的值，则将选择该模型，并且工具将停止搜索更好的模型。如果未选择此类模型，则该工具将选择一个 p 值小于 `lowest p-value × best model proportion value` 的模型。默认值为 0.01。	Double
包含其他波段（可选）	指定在分割过程中是否包含其他波段。选中—将包含其他波段。还会将处理波段名称参数中指定的初始分割波段的分割和折点信息拟合到多波段影像中的其余波段。模型结果将首先包含分割波段，再包含其余波段。未选中—将不包含其他波段。这是默认设置。	Boolean

返回值

标注	说明	数据类型
输出多维栅格	输出云栅格格式 (CRF) 多维栅格数据集。包含 LandTrendr 分析模型信息的输出变化分析栅格。	Raster

标注

说明

数据类型

输出多维栅格

输出云栅格格式 (CRF) 多维栅格数据集。

包含 LandTrendr 分析模型信息的输出变化分析栅格。

Raster

AnalyzeChangesUsingLandTrendr(in_multidimensional_raster, {processing_band}, {snapping_date}, {max_num_segments}, {vertex_count_overshoot}, {spike_threshold}, {recovery_threshold}, {prevent_one_year_recovery}, {recovery_trend}, {min_num_observations}, {best_model_proportion}, pvalue_threshold, {output_other_bands})

名称	说明	数据类型
in_multidimensional_raster	输入多维栅格数据集。	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; File
processing_band （可选）	用于随时间分割像素值轨线的图像波段名称。请选择最能捕获您要观测的要素变化的波段名称。如果未指定波段值且输入为多波段影像，则将使用多波段影像中的首个波段。	String
snapping_date （可选）	用于在输入多维数据集中针对每年识别一个剖切片的日期。将使用日期最接近捕捉日期的剖切片。如果输入数据集包含次年数据，则此参数为必填项。默认值为 06-30 或 June 30，大约是某一日历年的年中。	String
max_num_segments （可选）	每个像素拟合时间序列时的最大分段数。默认值为 5。	Long
vertex_count_overshoot （可选）	在识别折点的初始阶段，可用于拟合模型的额外折点数量超出 `max_num_segments` + 1。在建模过程的后期，额外折点数将减少至 `max_num_segments` + 1。默认值为 2。	Long
spike_threshold （可选）	用于抑制像素值轨迹中的峰值或异常值的阈值。该值必须介于 0 到 1 之间，其中 1 表示不进行任何抑制。默认值为 0.9。	Double
recovery_threshold （可选）	恢复阈值，以年为单位。如果某段的恢复速率快于 `1/recovery threshold`，则该段将被丢弃，不纳入时间序列模型。该值必须介于 0 到 1 之间。默认值为 0.25。	Double
prevent_one_year_recovery （可选）	指定是否排除表现出一年恢复的段。 `PREVENT_ONE_YEAR_RECOVERY`—将排除表现出一年恢复的段。这是默认设置。 `ALLOW_ONE_YEAR_RECOVERY`—将不排除表现出一年恢复的段。	Boolean
recovery_trend （可选）	指定恢复是否呈上升（正向）趋势。 `INCREASING_TREND`—恢复呈上升趋势。这是默认设置。 `DECREASING_TREND`—恢复呈下降趋势。	Boolean
min_num_observations （可选）	执行拟合所需的最低有效观测值数量。输入多维数据集中的年数必须等于或大于该值。默认值为 6。	Long
best_model_proportion （可选）	最佳模型比例值。在模型选择过程中，该工具将计算每个模型的 p 值，并根据此比例值识别具有最多折点和最小（最显著）p 值的模型。值为 1 表示模型将具有最小的 p 值，但可能不具有大量的折点。默认值为 1.25。	Double
pvalue_threshold	用于选择模型的 p 值阈值。在模型拟合的初始阶段检测到折点之后，该工具将拟合每个段并计算 p 值以确定模型的重要性。在下一次迭代中，模型会将段数减少一个并重新计算 p 值。此过程将持续进行，如果 p 值小于本参数中指定的值，则将选择该模型，并且工具将停止搜索更好的模型。如果未选择此类模型，则该工具将选择一个 p 值小于 `lowest p-value × best model proportion value` 的模型。默认值为 0.01。	Double
output_other_bands （可选）	指定在分割过程中是否包含其他波段。 `INCLUDE_OTHER_BANDS`—将包含其他波段。还会将 `processing_band` 参数中指定的初始分割波段的分割和折点信息拟合到多波段影像中的其余波段。模型结果将首先包含分割波段，再包含其余波段。 `EXCLUDE_OTHER_BANDS`—将不包含其他波段。这是默认设置。	Boolean

返回值

名称	说明	数据类型
out_multidimensional_raster	输出云栅格格式 (CRF) 多维栅格数据集。包含 LandTrendr 分析模型信息的输出变化分析栅格。	Raster

名称

说明

数据类型

out_multidimensional_raster

输出云栅格格式 (CRF) 多维栅格数据集。

包含 LandTrendr 分析模型信息的输出变化分析栅格。

Raster

代码示例

AnalyzeChangesUsingLandTrendr 示例 1（Python 窗口）

本示例对 NDVI 数据的时间序列执行 LandTrendr 算法以进行变化检测。

# Import system modules
import arcpy
from arcpy.ia import *

changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingLandTrendr(
    "Monthly_NDVI_30_years.crf","","",10,3,0.9,0.25, 'PREVENT_ONE_YEAR_RECOVERY',
    'INCREASING_TREND',10,1.25,0.05, 'EXCLUDE_OTHER_BANDS')

# Save output
changeAnalysisRaster.save(r"C:\data\NDVI_ChangeAnalysis.crf")

AnalyzeChangesUsingLandTrendr 示例 2（独立脚本）

本示例对 Landsat 影像的时间序列执行连续变化检测。

# Import system modules
import arcpy
from arcpy.ia import *

# Define input parameters
in_multidimensional = r"C:\data\Landsat_time_series.crf"
processing_band = "Band_4"
snapping_date = ""
max_num_segments = 10
vertex_count_overshoot = 3
spike_threshold = 0.9
recovery_threshold = 0.25
prevent_one_year_recovery = "PREVENT_ONE_YEAR_RECOVERY"
recovery_trend = "INCREASING_TREND"
min_num_observations = 6
best_model_proportion = 1.25
pvalue_threshold = 0.01
output_other_bands = "EXCLUDE_OTHER_BANDS"

# Run
changeAnalysisRaster = arcpy.ia.AnalyzeChangesUsingCCDC(
    in_multidimensional, processing_band, snapping_date, max_num_segments,
    vertex_count_overshoot, spike_threshold, recovery_threshold, prevent_one_year_recovery,
    recovery_trend, min_num_observations, best_model_proportion, pvalue_threshold, output_other_bands)

# Save output
changeAnalysisRaster.save(r"C:\data\Landsat_ChangeAnalysis.crf")

环境

像元大小, 压缩, 当前工作空间, 地理变换, NoData, 输出配置关键字, 输出坐标系, 范围, 并行处理因子, 金字塔, 栅格统计, 重采样方法, 临时工作空间, 捕捉栅格, 切片大小

许可信息

基本: 需要 Image Analyst
标准: 需要 Image Analyst
高级: 需要 Image Analyst

使用 LandTrendr 分析变化 (影像分析工具)

汇总

用法

参数

返回值

环境

许可信息

相关主题